DATASETS

1 Importation des librairies

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import plotly.express as px
import seaborn as sns

2. Chargement des datasets

#contient les informations concernant l'inégalité des revenus dans le monde (119 pays) pour l'année 2019, 
# il contient des informations concernant la part que les 1%, 10% et 50% de la population gagnent par rapport au revenu total de la population.
wid = pd.read_excel('WID_Data.xlsx')
wid

	Country	top_10_percent	bottom_50_percent	top_1_percent
0	Afghanistan	0.4204	NaN	NaN
1	Afghanistan	NaN	0.1873	NaN
2	Afghanistan	NaN	NaN	0.1478
3	Albania	0.3395	NaN	NaN
4	Albania	NaN	0.1931	NaN
...	...	...	...	...
352	Zambia	NaN	0.0731	NaN
353	Zambia	NaN	NaN	0.2308
354	Zimbabwe	0.5198	NaN	NaN
355	Zimbabwe	NaN	0.1225	NaN
356	Zimbabwe	NaN	NaN	0.1729

357 rows × 4 columns

#Indice de GII : estimé selon trois dimensions : la santé reproductive des femmes, leur autonomisation et le marché du travail
# Compris entre 0 et 1, plus sa valeur est élevée, plus le pays est inégalitaire entre hommes et femmes
gii = pd.read_excel('GII.xlsx')
gii

	Country	Gender Inequality Index
0	Norway	0.045
1	Ireland	0.093
2	Switzerland	0.025
3	Iceland	0.058
4	Germany	0.084
...	...	...
157	Mali	0.671
158	Burundi	0.504
159	Chad	0.710
160	Central African Republic	0.680
161	Niger	0.642

162 rows × 2 columns

3 Profiling des données et Analyse¶

#Il semble que pour chaque pays il y ait 3 lignes (Une pour chaque pourcentage)
# On veut avoir une ligne par pays avec l'alignement des pourcentages à la suite. 

wid.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 357 entries, 0 to 356
Data columns (total 4 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   Country            357 non-null    object 
 1   top_10_percent     119 non-null    float64
 2   bottom_50_percent  119 non-null    float64
 3   top_1_percent      119 non-null    float64
dtypes: float64(3), object(1)
memory usage: 11.3+ KB

wid.describe()

	top_10_percent	bottom_50_percent	top_1_percent
count	119.000000	119.000000	119.000000
mean	0.446123	0.162753	0.158431
std	0.090202	0.045189	0.050093
min	0.283800	0.062700	0.069700
25%	0.366000	0.126500	0.115800
50%	0.449400	0.166800	0.151500
75%	0.497400	0.193350	0.199000
max	0.650800	0.262400	0.309100

#On crée un Dataframe Avec seulement les 10%
top_10_percent=wid.copy()
top_10_percent.drop(['bottom_50_percent', 'top_1_percent'], axis = 1, inplace = True)
top_10_percent= top_10_percent.dropna(subset=['top_10_percent'])
top_10_percent

	Country	top_10_percent
0	Afghanistan	0.4204
3	Albania	0.3395
6	Algeria	0.3729
9	Angola	0.5771
12	Argentina	0.3980
...	...	...
342	Venezuela	0.4851
345	Viet Nam	0.4260
348	Yemen	0.4820
351	Zambia	0.6149
354	Zimbabwe	0.5198

119 rows × 2 columns

# #On crée un Dataframe Avec seulement les 50%
bottom_50_percent=wid.copy()
bottom_50_percent.drop(['top_10_percent', 'top_1_percent'], axis = 1, inplace = True)
bottom_50_percent= bottom_50_percent.dropna(subset=['bottom_50_percent'])
bottom_50_percent

	Country	bottom_50_percent
1	Afghanistan	0.1873
4	Albania	0.1931
7	Algeria	0.2071
10	Angola	0.0951
13	Argentina	0.1782
...	...	...
343	Venezuela	0.1265
346	Viet Nam	0.1809
349	Yemen	0.1521
352	Zambia	0.0731
355	Zimbabwe	0.1225

119 rows × 2 columns

# #On crée un Dataframe Avec seulement les 1%
top_1_percent=wid.copy()
top_1_percent.drop(['top_10_percent', 'bottom_50_percent'], axis = 1, inplace = True)
top_1_percent= top_1_percent.dropna(subset=['top_1_percent'])
top_1_percent

	Country	top_1_percent
2	Afghanistan	0.1478
5	Albania	0.0896
8	Algeria	0.0970
11	Angola	0.2584
14	Argentina	0.1474
...	...	...
344	Venezuela	0.2021
347	Viet Nam	0.1515
350	Yemen	0.1487
353	Zambia	0.2308
356	Zimbabwe	0.1729

119 rows × 2 columns

#On a bien 119 Rows dans chacun des 3 dataframe
#It's Time to merge. On fait une jointure des 3 dataframes

# Jointure des bottom_50 avec top_10_percent
Step1=pd.merge(bottom_50_percent,top_10_percent, on = ['Country'])
Step1

	Country	bottom_50_percent	top_10_percent
0	Afghanistan	0.1873	0.4204
1	Albania	0.1931	0.3395
2	Algeria	0.2071	0.3729
3	Angola	0.0951	0.5771
4	Argentina	0.1782	0.3980
...	...	...	...
114	Venezuela	0.1265	0.4851
115	Viet Nam	0.1809	0.4260
116	Yemen	0.1521	0.4820
117	Zambia	0.0731	0.6149
118	Zimbabwe	0.1225	0.5198

119 rows × 3 columns

# 2ême jointure de step1 avec le top_1_percent
wid1=pd.merge(Step1,top_1_percent, on = ['Country'])
# On supprime les espaces entre les chaines de caractères
wid1.replace(" ", "")
# rajout de la colonne country et conversion en chaine de caractère
wid1['Country']=gii['Country'].astype(str)

wid1.describe()
#Au maximum les 50% les moins riches possèdent 26% des richesses du pays 

	bottom_50_percent	top_10_percent	top_1_percent
count	119.000000	119.000000	119.000000
mean	0.162753	0.446123	0.158431
std	0.045189	0.090202	0.050093
min	0.062700	0.283800	0.069700
25%	0.126500	0.366000	0.115800
50%	0.166800	0.449400	0.151500
75%	0.193350	0.497400	0.199000
max	0.262400	0.650800	0.309100

wid1.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 119 entries, 0 to 118
Data columns (total 4 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   Country            119 non-null    object 
 1   bottom_50_percent  119 non-null    float64
 2   top_10_percent     119 non-null    float64
 3   top_1_percent      119 non-null    float64
dtypes: float64(3), object(1)
memory usage: 4.6+ KB

#vérifions maintenant l'accurancy des données
#Ici il faudrait créer une colonne test qui somme les 3 valeurs. SI cette colonne = 1 alors = OK sinon KO 

gii.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 162 entries, 0 to 161
Data columns (total 2 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   Country                  162 non-null    object 
 1   Gender Inequality Index  162 non-null    float64
dtypes: float64(1), object(1)
memory usage: 2.7+ KB

# Trier le dataframe gii par ordre croissant, suppression d'espace dans les chaines de caractères et conversion du la colonne country en chaine de caractère
gii=gii.sort_values(by = 'Country', ascending = True)
gii.replace(" ", "")
gii['Country']=gii['Country'].astype(str)

Fusion des 2 dataframes Merged_WID et df_GII¶

# Jointure du dataframe wid1 avec le datafame gii avec la clé commune Country. Tri par ordre croissant de 'Gender Inequality Index'
merged=pd.merge(wid1,gii,on='Country', how = 'left')
merged=merged.sort_values(by = 'Gender Inequality Index', ascending = True)
merged.head(16)

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index
2	Switzerland	0.2071	0.3729	0.0970	0.025
8	Denmark	0.1265	0.4851	0.2021	0.038
5	Sweden	0.2025	0.3449	0.1147	0.039
12	Belgium	0.2146	0.3173	0.0849	0.043
7	Netherlands	0.2448	0.3196	0.0923	0.043
0	Norway	0.1873	0.4204	0.1478	0.045
9	Finland	0.1675	0.5012	0.1737	0.047
23	France	0.1006	0.6020	0.2784	0.049
3	Iceland	0.0951	0.5771	0.2584	0.058
19	Slovenia	0.1130	0.5166	0.1573	0.063
20	Korea (Republic of)	0.1836	0.3936	0.1430	0.064
10	Singapore	0.1971	0.4171	0.1577	0.065
21	Luxembourg	0.0803	0.6463	0.3086	0.065
27	Italy	0.0946	0.5154	0.2079	0.069
16	Austria	0.1029	0.5733	0.2765	0.069
22	Spain	0.1295	0.4893	0.1559	0.070

merged.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 119 entries, 2 to 109
Data columns (total 5 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   Country                  119 non-null    object 
 1   bottom_50_percent        119 non-null    float64
 2   top_10_percent           119 non-null    float64
 3   top_1_percent            119 non-null    float64
 4   Gender Inequality Index  119 non-null    float64
dtypes: float64(4), object(1)
memory usage: 5.6+ KB

#Vérifions si nous avons des N/A
merged[merged['Gender Inequality Index'].isnull()]

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index

merged[merged['bottom_50_percent'].isnull()]

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index

merged[merged['top_10_percent'].isnull()]

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index

merged[merged['top_1_percent'].isnull()]

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index

#Notre dataframe est complet ! 

Classer les informations en fonction de leur valeur GINI (GII)¶

Après un tri asc sur le Gii, nous créons 3 catégories TOP15 = 15 pays les mieux notés MEDIUM = le reste de pays FLOP15 = 15 pays les moins bien notés

merged['GII_Ranking'] = pd.Series()
merged
merged['INEQUALITY_Ranking'] = pd.Series()
merged

<ipython-input-24-d5fb58f2ef86>:1: DeprecationWarning: The default dtype for empty Series will be 'object' instead of 'float64' in a future version. Specify a dtype explicitly to silence this warning.
  merged['GII_Ranking'] = pd.Series()
<ipython-input-24-d5fb58f2ef86>:3: DeprecationWarning: The default dtype for empty Series will be 'object' instead of 'float64' in a future version. Specify a dtype explicitly to silence this warning.
  merged['INEQUALITY_Ranking'] = pd.Series()

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index	GII_Ranking	INEQUALITY_Ranking
2	Switzerland	0.2071	0.3729	0.0970	0.025	NaN	NaN
8	Denmark	0.1265	0.4851	0.2021	0.038	NaN	NaN
5	Sweden	0.2025	0.3449	0.1147	0.039	NaN	NaN
12	Belgium	0.2146	0.3173	0.0849	0.043	NaN	NaN
7	Netherlands	0.2448	0.3196	0.0923	0.043	NaN	NaN
...	...	...	...	...	...	...	...
113	Guatemala	0.1692	0.4494	0.1599	0.479	NaN	NaN
97	Indonesia	0.2186	0.3424	0.1220	0.480	NaN	NaN
117	India	0.0731	0.6149	0.2308	0.488	NaN	NaN
105	Gabon	0.1320	0.5312	0.2024	0.525	NaN	NaN
109	Iraq	0.2025	0.3449	0.1147	0.577	NaN	NaN

119 rows × 7 columns

# Alimentation de la colonne 'GII_Ranking avec les conditions emises sur les valeurs du 'Gender Inequality'
conditionlist = [(merged['Gender Inequality Index'] <=0.069) ,
        (merged['Gender Inequality Index'] >= 0.070) & (merged['Gender Inequality Index'] <0.440),
        (merged['Gender Inequality Index'] >= 0.440)]
choicelist = ['TOP15', 'MID', 'FLOP15']
merged['GII_Ranking'] = np.select(conditionlist, choicelist, default='Not Specified')
merged.head(16)

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index	GII_Ranking	INEQUALITY_Ranking
2	Switzerland	0.2071	0.3729	0.0970	0.025	TOP15	NaN
8	Denmark	0.1265	0.4851	0.2021	0.038	TOP15	NaN
5	Sweden	0.2025	0.3449	0.1147	0.039	TOP15	NaN
12	Belgium	0.2146	0.3173	0.0849	0.043	TOP15	NaN
7	Netherlands	0.2448	0.3196	0.0923	0.043	TOP15	NaN
0	Norway	0.1873	0.4204	0.1478	0.045	TOP15	NaN
9	Finland	0.1675	0.5012	0.1737	0.047	TOP15	NaN
23	France	0.1006	0.6020	0.2784	0.049	TOP15	NaN
3	Iceland	0.0951	0.5771	0.2584	0.058	TOP15	NaN
19	Slovenia	0.1130	0.5166	0.1573	0.063	TOP15	NaN
20	Korea (Republic of)	0.1836	0.3936	0.1430	0.064	TOP15	NaN
10	Singapore	0.1971	0.4171	0.1577	0.065	TOP15	NaN
21	Luxembourg	0.0803	0.6463	0.3086	0.065	TOP15	NaN
27	Italy	0.0946	0.5154	0.2079	0.069	TOP15	NaN
16	Austria	0.1029	0.5733	0.2765	0.069	TOP15	NaN
22	Spain	0.1295	0.4893	0.1559	0.070	MID	NaN

conditionlist = [(merged['top_1_percent'] <=) , (merged['Gender Inequality Index'] >= 0.070) & (merged['Gender Inequality Index'] <0.440), (merged['Gender Inequality Index'] >= 0.440)] choicelist = ['TOP15', 'MID', 'FLOP15'] merged[INEQUALITY_Ranking'] = np.select(conditionlist, choicelist, default='Not Specified') merged.head(16)

merged['Ratio']=merged['Gender Inequality Index']*merged['top_10_percent']*100
merged.head()

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index	GII_Ranking	INEQUALITY_Ranking	Ratio
2	Switzerland	0.2071	0.3729	0.0970	0.025	TOP15	NaN	0.93225
8	Denmark	0.1265	0.4851	0.2021	0.038	TOP15	NaN	1.84338
5	Sweden	0.2025	0.3449	0.1147	0.039	TOP15	NaN	1.34511
12	Belgium	0.2146	0.3173	0.0849	0.043	TOP15	NaN	1.36439
7	Netherlands	0.2448	0.3196	0.0923	0.043	TOP15	NaN	1.37428

merged['Gender Inequality Index'].plot(kind='box')

<AxesSubplot:>

Conclusion : Les graphiques ci-dessous présentent en couleur (TOP 15, MID et FLOP 15), les pays dont où l'égalité entre homme et femme à l'ascension au travail est respecté. Et la taille des 'ronds' présente l'inégalité des revenus dans le monde (119 pays) pour l'année 2019. Plus le rond est gros, plus l'inégalité des revenus est importante. i-e, que les 1% ou les 10% de la population gagnent beaucoup trop par rapport au revenu total de la population. Exemple du Luxembourg qui figure dans le TOP 15 i-e que l'égalité entre hommes et femmes est respectée. Cependant la répartition des revenus est inégale car on observe que 10% de la population gagne presque 2/3 des revenus de la population du pays. 'Good Country' : Le pays bas et la Belgique sont les bons élèves de cette enquête. Egalité entre hommes et femmes respecté. De plus la répartition des richesses est mieux ventilée. Les mauvais 'élèves' sont l'Inde, le Gabon, la Guyane, le Maroc dans le flop 15 et répartition des richesse inégale. Les 1 ou 10% de la population possèdent toute la richesse du pays.

px.scatter(data_frame=merged, x="bottom_50_percent", y="top_10_percent", color="GII_Ranking",hover_name='Country', size="top_1_percent")

Distribution du nombre du bottom_50_percent

px.bar(data_frame=merged, x="bottom_50_percent", y='Country',color="GII_Ranking")

fig = px.bar(merged, x="Country", y="bottom_50_percent", color="GII_Ranking", title="Long-Form Input")
fig.show()

correlation_matrix = merged.corr().round(2)

plt.figure(figsize=(16, 10), dpi=100)
plt.title("Matrice de corrélation")
sns.heatmap(correlation_matrix, cmap="RdBu_r", center=0.0, annot=True)
plt.show()

On peut en déduire que les variables de répartition de la richesse et l'égalité des sexes (VIa GII° ne sont pas corellées)

Récupération et enrichissement des datasets pour une représentation cartographique.

continent= pd.read_csv('countryContinent.csv',encoding = 'Ansi')
continent.head()

	country	code_2	code_3	country_code	iso_3166_2	continent	sub_region	region_code	sub_region_code
0	Afghanistan	AF	AFG	4	ISO 3166-2:AF	Asia	Southern Asia	142.0	34.0
1	Åland Islands	AX	ALA	248	ISO 3166-2:AX	Europe	Northern Europe	150.0	154.0
2	Albania	AL	ALB	8	ISO 3166-2:AL	Europe	Southern Europe	150.0	39.0
3	Algeria	DZ	DZA	12	ISO 3166-2:DZ	Africa	Northern Africa	2.0	15.0
4	American Samoa	AS	ASM	16	ISO 3166-2:AS	Oceania	Polynesia	9.0	61.0

# Importation des tableaux de la page html avec les pays et les localisation en latitude et longitude
df= pd.read_html('https://developers.google.com/public-data/docs/canonical/countries_csv')
df

[    country   latitude  longitude                  name
 0        AD  42.546245   1.601554               Andorra
 1        AE  23.424076  53.847818  United Arab Emirates
 2        AF  33.939110  67.709953           Afghanistan
 3        AG  17.060816 -61.796428   Antigua and Barbuda
 4        AI  18.220554 -63.068615              Anguilla
 ..      ...        ...        ...                   ...
 240      YE  15.552727  48.516388                 Yemen
 241      YT -12.827500  45.166244               Mayotte
 242      ZA -30.559482  22.937506          South Africa
 243      ZM -13.133897  27.849332                Zambia
 244      ZW -19.015438  29.154857              Zimbabwe
 
 [245 rows x 4 columns]]

# transformation de df en un dataframe df2 que l'on pourra manipuler dans pandas
df2 = df[0]
df2

	country	latitude	longitude	name
0	AD	42.546245	1.601554	Andorra
1	AE	23.424076	53.847818	United Arab Emirates
2	AF	33.939110	67.709953	Afghanistan
3	AG	17.060816	-61.796428	Antigua and Barbuda
4	AI	18.220554	-63.068615	Anguilla
...	...	...	...	...
240	YE	15.552727	48.516388	Yemen
241	YT	-12.827500	45.166244	Mayotte
242	ZA	-30.559482	22.937506	South Africa
243	ZM	-13.133897	27.849332	Zambia
244	ZW	-19.015438	29.154857	Zimbabwe

245 rows × 4 columns

# Exportation du dataframe df2 dans un fichier csv que l'on nommera countryLocalisation #dfs.to_csv('countryLocalisation.csv')

countryLocalisation2 = pd.read_csv('countryLocalisation.csv')
countryLocalisation2.head()

	Unnamed: 0	country	latitude	longitude	name
0	0	AD	42.546245	1.601554	Andorra
1	1	AE	23.424076	53.847818	United Arab Emirates
2	2	AF	33.939110	67.709953	Afghanistan
3	3	AG	17.060816	-61.796428	Antigua and Barbuda
4	4	AI	18.220554	-63.068615	Anguilla

# Faire une jointure entre le dataframe countryLocalisation2 et le dataframe continent pour avoir le pays, continent, longitude et latitude sur le même dataframe. La clé commune est le 'code_2 du dataframe continent' et le 'country du dataframe countryLocalisation2'

#### renomme la colonne 'country' de countryLocalisation2 en 'code_2' pour pouvoir faire la jointure avec le dataframe 'continent'
countryLocalisation2 = countryLocalisation2.rename(columns = {'country' : 'code_2'})
countryLocalisation2.head()

	Unnamed: 0	code_2	latitude	longitude	name
0	0	AD	42.546245	1.601554	Andorra
1	1	AE	23.424076	53.847818	United Arab Emirates
2	2	AF	33.939110	67.709953	Afghanistan
3	3	AG	17.060816	-61.796428	Antigua and Barbuda
4	4	AI	18.220554	-63.068615	Anguilla

# Jointure des dataframe countryLocalisation2 et continent. clé commune 'code_2'
Localisation = pd.merge(continent, countryLocalisation2, on='code_2', how = 'left')
Localisation.head()

	country	code_2	code_3	country_code	iso_3166_2	continent	sub_region	region_code	sub_region_code	Unnamed: 0	latitude	longitude	name
0	Afghanistan	AF	AFG	4	ISO 3166-2:AF	Asia	Southern Asia	142.0	34.0	2.0	33.939110	67.709953	Afghanistan
1	Åland Islands	AX	ALA	248	ISO 3166-2:AX	Europe	Northern Europe	150.0	154.0	NaN	NaN	NaN	NaN
2	Albania	AL	ALB	8	ISO 3166-2:AL	Europe	Southern Europe	150.0	39.0	5.0	41.153332	20.168331	Albania
3	Algeria	DZ	DZA	12	ISO 3166-2:DZ	Africa	Northern Africa	2.0	15.0	58.0	28.033886	1.659626	Algeria
4	American Samoa	AS	ASM	16	ISO 3166-2:AS	Oceania	Polynesia	9.0	61.0	11.0	-14.270972	-170.132217	American Samoa

# Garder que les colonnes intérressantes pour la visualisation Country, code_2, Continent,latitude et longitude, sub_region
#df = df[['year', 'name']]
Localisation2 = Localisation[['country', 'continent', 'latitude', 'longitude', 'sub_region', 'code_2']]
Localisation2.head()

	country	continent	latitude	longitude	sub_region	code_2
0	Afghanistan	Asia	33.939110	67.709953	Southern Asia	AF
1	Åland Islands	Europe	NaN	NaN	Northern Europe	AX
2	Albania	Europe	41.153332	20.168331	Southern Europe	AL
3	Algeria	Africa	28.033886	1.659626	Northern Africa	DZ
4	American Samoa	Oceania	-14.270972	-170.132217	Polynesia	AS

Preparation étape de visualisation

# suppression des espaces entre les carcatères

Localisation2.replace(" ", "")
merged['Country'] = merged['Country'].str.replace(r"\(.*\)","")

# Jointure du dataframe merged et Localisation2
Localisation2 = Localisation2.rename(columns = {'country' : 'Country'})
countryFinal = pd.merge(merged,Localisation2,on='Country', how = 'left')
countryFinal =countryFinal.drop(columns = 'INEQUALITY_Ranking')
countryFinal

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index	GII_Ranking	Ratio	continent	latitude	longitude	sub_region	code_2
0	Switzerland	0.2071	0.3729	0.0970	0.025	TOP15	0.93225	Europe	46.818188	8.227512	Western Europe	CH
1	Denmark	0.1265	0.4851	0.2021	0.038	TOP15	1.84338	Europe	56.263920	9.501785	Northern Europe	DK
2	Sweden	0.2025	0.3449	0.1147	0.039	TOP15	1.34511	Europe	60.128161	18.643501	Northern Europe	SE
3	Belgium	0.2146	0.3173	0.0849	0.043	TOP15	1.36439	Europe	50.503887	4.469936	Western Europe	BE
4	Netherlands	0.2448	0.3196	0.0923	0.043	TOP15	1.37428	Europe	52.132633	5.291266	Western Europe	NL
...	...	...	...	...	...	...	...	...	...	...	...	...
114	Guatemala	0.1692	0.4494	0.1599	0.479	FLOP15	21.52626	Americas	15.783471	-90.230759	Central America	GT
115	Indonesia	0.2186	0.3424	0.1220	0.480	FLOP15	16.43520	Asia	-0.789275	113.921327	South-Eastern Asia	ID
116	India	0.0731	0.6149	0.2308	0.488	FLOP15	30.00712	Asia	20.593684	78.962880	Southern Asia	IN
117	Gabon	0.1320	0.5312	0.2024	0.525	FLOP15	27.88800	Africa	-0.803689	11.609444	Middle Africa	GA
118	Iraq	0.2025	0.3449	0.1147	0.577	FLOP15	19.90073	Asia	33.223191	43.679291	Western Asia	IQ

119 rows × 12 columns

# ignorer les valeurs manquantes dans la colonne 'Continent'
countryFinal[countryFinal['continent'].isnull()]

	Country	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index	GII_Ranking	Ratio	continent	latitude	longitude	sub_region	code_2
10	Korea	0.1836	0.3936	0.1430	0.064	TOP15	2.51904	NaN	NaN	NaN	NaN	NaN
31	United Kingdom	0.2025	0.3449	0.1147	0.118	MID	4.06982	NaN	NaN	NaN	NaN	NaN
35	Czechia	0.1484	0.4142	0.1392	0.136	MID	5.63312	NaN	NaN	NaN	NaN	NaN
36	North Macedonia	0.1901	0.3943	0.1456	0.143	MID	5.63849	NaN	NaN	NaN	NaN	NaN
45	Moldova	0.2565	0.3090	0.1044	0.204	MID	6.30360	NaN	NaN	NaN	NaN	NaN
46	United States	0.0870	0.5889	0.2259	0.204	MID	12.01356	NaN	NaN	NaN	NaN	NaN
96	Bolivia	0.0627	0.6508	0.1921	0.417	MID	27.13836	NaN	NaN	NaN	NaN	NaN
110	Iran	0.1917	0.4492	0.1414	0.459	FLOP15	20.61828	NaN	NaN	NaN	NaN	NaN
113	Venezuela	0.2564	0.2884	0.0896	0.479	FLOP15	13.81436	NaN	NaN	NaN	NaN	NaN

Graph1=countryFinal.groupby(['continent']).mean()
Graph1

	bottom_50_percent	top_10_percent	top_1_percent	Gender Inequality Index	Ratio	latitude	longitude
continent
Africa	0.167891	0.445382	0.162664	0.405455	18.393174	5.988414	14.854229
Americas	0.164754	0.446831	0.158165	0.366115	16.295047	5.850731	-74.639993
Asia	0.167842	0.442864	0.156867	0.293212	13.156397	26.498127	71.883451
Europe	0.154520	0.450971	0.160714	0.112486	4.985976	49.480633	16.525249
Oceania	0.142260	0.468000	0.170840	0.260800	12.880676	-23.538233	28.154530

fig = px.bar(countryFinal, x="continent", y="bottom_50_percent", color="GII_Ranking", title="TEST", hover_name='Country')
fig.show()

L'europe est le continent qui contient le plus de pays égalitaires. Soulignons qu'aucune nations des USA se trouve dans le top 15

Rappel : Le dataset wid contenait les informations concernant l'inégalité des revenus dans le monde (119 pays) pour l'année 2019, Contenait des informations concernant la part que les 1%, 10% et 50% de la population gagnent par rapport au revenu total de la population. Le dataset GII : estimé selon trois dimensions : la santé reproductive des femmes, leur autonomisation et le marché du travail Compris entre 0 et 1, plus sa valeur est élevée, plus le pays est inégalitaire entre hommes et femmes.

Nous avons ajouté une mesure contenant : TOP15 = 15 pays les mieux notés MEDIUM = le reste de pays FLOP15 = 15 pays les moins bien notés

# Visualisation cartographique.
fig = px.scatter_mapbox(countryFinal, lat='latitude', lon='longitude', hover_name="Country", hover_data=['bottom_50_percent','top_10_percent'],
                        color="GII_Ranking",size="Ratio", zoom=0, height=300)
fig.update_layout(mapbox_style="open-street-map")
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})
fig.show()